[发明专利]一种基于数据驱动的配电设备利用率评估的方法及系统

说明书

本发明公开了一种基于数据驱动的配电设备利用率评估的方法及系统，其方法包括：获取待评估配电网历史数据；基于待评估配电网历史数据进行设备利用率指标计算；数据处理及关键影响因素挖掘；将关键影响因素向量特征图方阵作为深度卷积神经网络的输入；生成训练样本集和测试样本集；优化卷积神经网络模型超参数，训练卷积神经网络预测模型，得到优化后的预测模型；将目标年配电分区的关键要素取值输入模型，得到设备利用率指标预测值；进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。本发明实施例通实现不同自变量优化组合下配电网设备利用效率的多维度关联分析。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于数据驱动的配电设备利用率评估的方法及系统。

背景技术

利用全寿命周期管理理念分析配电网设备利用率现状和发展趋势，是提高配电设备利用率、优化企业投资效益、适应电力改革下新发展以及配网精益化管理发展的主流方向。配电设备在电网中占比高，覆盖面积广阔，且配电网负荷分布不均，运维技术水平和设备质量良莠不齐，导致配电设备运行效率不高且分布不均的现象在电网中较为普遍。现有研究在配电网利用率预测模型上缺乏更为全面的多个维度影响因素挖掘和设备特性评估，缺乏大数据样本统计特征的理论支撑。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于数据驱动的配电设备利用率评估的方法及系统，从而克服了现有的配电设备运行效率评估模型中影响因素缺乏多角度挖掘，无法全面反映电网侧、负荷侧和管理侧多重维度下的配电设备利用率的缺点。

为了解决上述技术问题，本发明实施例提供了一种基于数据驱动的配电设备利用率评估的方法，所述方法包括以下步骤：

S1、获取待评估配电网历史数据；

S2、基于待评估配电网历史数据进行设备利用率指标计算；

S3、数据处理及关键影响因素挖掘；

S4、将S3的关键影响因素向量特征图方阵作为深度卷积神经网络的输入，实现预测模型输入数据降维；将S2的三类设备利用率评估指标作为深度神经网络的输出变量，生成训练样本集和测试样本集；

S5、优化卷积神经网络模型超参数，在模型中通过调整CNN训练中的学习速率α优化预测模型性能，避免学习速率设置过小影响模型训练效率，过大给模型训练带来的不稳定性，训练卷积神经网络预测模型，得到优化后的预测模型；

S6、将目标年配电分区的关键要素取值输入S5所得模型，得到设备利用率指标预测值；

S7、建立多层次对标模式，进行配网分区在目标年份下的在役设备和退役设备预测结果横向对标和纵向对标相结合的多层次对标评价。

所述待评估配电网历史数据的来源涉及到各个配电分区的配电网网络结构数据、以及设备历史运行数据。

所述基于待评估配电网历史数据进行设备利用率指标计算闹了：

分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标。

所述分别定义在役设备利用率、退役设备全寿命周期利用率指标，应用熵权法计算各配电分区在不同评估年份下的设备综合利用率指标包括：

S21、计算在役设备利用率指标可定义为设备实际发出或输送电量与理论发出或传输电量的比值；

S22、计算退役设备全寿命周期利用率定义为寿命周期内设备实际与理论载流量的比值；

S23、采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标。

所述采用熵权法用于求取在给定统计周期内指定配电区域的设备综合利用率评价指标包括：